[发明专利]一种基于循环神经网络模型RNN的预测网络质量的方法和装置

说明书

本发明公开了一种基于循环神经网络模型RNN的预测网络质量的方法和装置，用以解决现有的预测网络性能不准确的问题。本申请提供的方案包括：基于与网络性能相关的网络参数数据，通过RNN模型进行向量化处理，得到序列化的向量样本数据；基于所述向量样本数据，通过梯度下降的方法训练向量前向传递模型，所述向量前向传递模型用于根据实时获取的网络参数数据生成网络质量预测结果。本发明能实现RNN前向传播，实现对LTE网络的各类实时业务质量指标数据变化规律的深度学习与无监督学习，向量前向传递模型能用于根据实时采集到的网络参数数据动态地对网络质量进行预测，降低人工成本，提高预测准确性。

技术领域

本发明涉及数据业务网络领域，尤其涉及一种基于循环神经网络模型RNN的预测网络质量的方法和装置。

背景技术

对于现有的LTE(Long Term Evolution)网络，网络性能与用户体验关系密切，只有保证较好的网络性能才能保证用户较优的通信体验。其中，网络性能受到小区用户数量、网络设备负荷等多种因素影响，仅通过人工判断难以对未来的网络性能实现准确预测。

现有技术中往往采用线性判别分析方法实现网络性能预测，但是，这种方法通常需要预先制定线性判别标准。由于网络环境复杂，预先制定的线性判别标准往往难以符合实际网络情况，预测结果往往不准确。

如何提高预测网络性能的准确性，是本申请所要解决的技术问题。

发明内容

本申请实施例的目的是提供一种基于循环神经网络模型RNN的预测网络质量的方法和装置，用以解决现有的预测网络性能不准确的问题。

第一方面，提供了一种基于循环神经网络模型RNN的预测网络质量的方法，包括：

基于与网络性能相关的网络参数数据，通过RNN模型进行向量化处理，得到序列化的向量样本数据；

基于所述向量样本数据，通过梯度下降的方法训练向量前向传递模型，所述向量前向传递模型用于根据实时获取的网络参数数据生成网络质量预测结果。

第二方面，提供了一种电子设备，包括：

处理模块，基于与网络性能相关的网络参数数据，通过RNN模型进行向量化处理，得到序列化的向量样本数据；

训练模块，基于所述向量样本数据，通过梯度下降的方法训练向量前向传递模型，所述向量前向传递模型用于根据实时获取的网络参数数据生成网络质量预测结果。

第三方面，提供了一种电子设备，该电子设备包括处理器、存储器及存储在该存储器上并可在该处理器上运行的计算机程序，该计算机程序被该处理器执行时实现如第一方面该的方法的步骤。

第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质上存储计算机程序，该计算机程序被处理器执行时实现如第一方面该的方法的步骤。

在本申请实施例中，通过向量化处理网络性能相关的网络参数数据，得到序列化的向量样本数据，并通过梯度下降的方法训练向量前向传递模型。本发明能实现RNN前向传播，实现对LTE网络的各类实时业务质量指标数据变化规律的深度学习与无监督学习，向量前向传递模型能用于根据实时采集到的网络参数数据动态地对网络质量进行预测，降低人工成本，提高预测准确性。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明提供的一种基于循环神经网络模型RNN的预测网络质量的方法流程示意图之一；

图2是本发明提供的一种基于循环神经网络模型RNN的预测网络质量的方法流程示意图之二；